Dulmar
Sparse autoencoders (SAEs) waa qalab kala jiidaya dhaqdhaqaaqyada gudaha ee isku qasan ee shabakada neerfayaasha oo noqda qayb aad u weyn oo nadiif ah, astaamo lagu tarjumi karo aadanaha. Waxay ka mid yihiin farsamooyinka hormuudka u ah furitaanka 'sanduuqa madow' iyo in la arko fikradaha moodalku dhab ahaantii u taagan yahay.
Sparse Autoencoders for Interpretability waa dhisme farsamo oo saameeya tayada moodeelka, kharashka kaabayaasha, daahitaanka, iyo isku halaynta cabbirka.
quusitaanka qoto dheer
Gudaha Transformer-ka, hal-abuure firfircooni wuxuu isku daraa kumanaan fikrado hal mar, taas oo adkeynaysa in la akhriyo. Atoencoder yar waa shabakad yar oo laba-lakab ah oo loo tababaray in ay dib u dhisto hawl-qabadyadaas iyada oo loo marayo lakab qarsoon oo ballaadhan, laakiin leh ciqaab adag oo ku khasbaysa in yar oo ka mid ah neerfayaasha badan si ay markiiba u shidaan. Cadaadiskaas awgeed, unug kasta oo qarsoon wuxuu u janjeeraa inuu ku takhasuso hal fikrad, sida 'xusuusyada Buundada Dahabka ah' ama 'Python code'. Sannadkii 2024 Anthropic ayaa tan u miisaamay Claude 3 Sonnet, iyada oo soo saartay ku dhawaad 34 milyan oo astaamood, iyo OpenAI iyo DeepMind ayaa daabacday shaqada SAE barbar socota. Cilmi baadhayaashu waxay markaa ku dhejin karaan sifo kor ama hoos si ay u tijaabiyaan waxa uu qabanayo.
Aragtida Farsamada
SAE-du waxay ku dhejisaa dhaqdhaqaaqa d-cabbirka lakabka qarsoon ee aad u ballaadhan (badanaa 8x ilaa 100x ka weyn), ka dibna dib u dhis ku sameeya asalka. Tababarku waxa uu yareeyaa khaladka dib-u-dhiska iyo ganaax L1 ee hawl-qabadyada qarsoon, taas oo dhiirigelisa yaraanta sidaa darteed cutubyada intooda badani waxay ku sii dhawaadaan eber. Kala duwanaanshiyaha sida TopK SAEs waxay si toos ah u xoojiyaan daciifnimada iyagoo ilaalinaya kaliya firfircoonida ugu weyn ee K, iyo SAE-yada kala soocaya go'aanka dab-demiska inta uu le'eg yahay, hoos u dhigista eexda habaysan ee L1 waxay soo bandhigaysaa.
Hagaajinta Cod-koobiyeyaasha Sparse Autoencoders ee Fasiraadda
Sparse autoencoders (SAEs) waa qalab kala jiidaya dhaqdhaqaaqyada gudaha ee isku qasan ee shabakada neerfayaasha oo noqda qayb aad u weyn oo nadiif ah, astaamo lagu tarjumi karo aadanaha. Waxay ka mid yihiin farsamooyinka hormuudka u ah furitaanka 'sanduuqa madow' iyo in la arko fikradaha moodalku dhab ahaantii u taagan yahay. Sparse Autoencoders for Interpretability waa dhisme farsamo oo saameeya tayada moodeelka, kharashka kaabayaasha, daahitaanka, iyo isku halaynta cabbirka. Si loo dhiso faham qoto dheer, ula dhaqan Sparse Autoencoders for Interpretability sida qaab hawleed, ma aha hal sifo: qeex natiijooyinka la rabo, cadee fikradaha, oo kala saar waxa nidaamku si kalsooni leh u qaban karo iyo waxa weli u baahan go'aan khabiir.
Ficil ahaan, kooxaha xoogga leh ee isticmaalaya Sparse Autoencoders ee Turjumaada waxay wanaajiyaan qaab dhismeedka, xogta, iyo doorashooyinka kaabayaasha lidka ku ah isku halaynta iyo qiimaha. Waxay diiwaangeliyaan shuruudaha guusha ee cad, tijaabiyaan xogta dhabta ah iyo qulqulka shaqada, waxayna ku celceliyaan ku saleysan qaababka guul darrida ee la arkay halkii ay hal mar ku guuleysan lahaayeen halbeegyada. Tani waa halka fahamka aragtida uu isu beddelo karti waara oo dhan badeecada, siyaasadda, iyo hawlgallada.
Go'aamada qaab-dhismeedku waxay horseedaan waxqabadka iyo kharashka hawlgalka sannadaha. Isla mar ahaantaana, hagaajinta hal bartilmaameed waxay qarin kartaa daciifnimada nidaamka ballaaran. Habka ugu adkeysi badan waa in la isku daro xawaaraha tijaabada iyo anshaxa maamulka: socodsiinta duuliyayaasha, qabashada caddaynta, daabacaadda go'aanka, iyo si joogto ah u cusboonaysii ilaalinta sida habdhaqanka moodeelka, filashada isticmaale, iyo shuruudaha sharciyaynta.
Saamaynta Istiraatijiyadeed
Go'aamada qaab-dhismeedku waxay horseedaan waxqabadka iyo kharashka hawlgalka sannadaha.
Go'aamada qaab-dhismeedku waxay horseedaan waxqabadka iyo kharashka hawlgalka sannadaha. Hawlgelinta tayada sare leh, tan waxaa loo tarjumaa shuruuc hawleed la cabbiri karo, xuduudaha lahaanshaha, iyo caadooyinka dib u eegista soo noqnoqda si kooxuhu ay u cabbiraan kalsoonida halkii ay ka saari lahaayeen madmadowga.
Waxbarashada farsamada waxay ka caawisaa kooxaha inay doortaan xidhmo sax ah, ma aha oo kaliya kan ugu cusub.
Waxbarashada farsamada waxay ka caawisaa kooxaha inay doortaan xidhmo sax ah, ma aha oo kaliya kan ugu cusub. Hawlgelinta tayada sare leh, tan waxaa loo tarjumaa shuruuc hawleed la cabbiri karo, xuduudaha lahaanshaha, iyo caadooyinka dib u eegista soo noqnoqda si kooxuhu ay u cabbiraan kalsoonida halkii ay ka saari lahaayeen madmadowga.
Doorashooyinka injineernimada ee wanaagsan waxay yareeyaan shilalka la isku halleyn karo ee wax soo saarka.
Doorashooyinka injineernimada ee wanaagsan waxay yareeyaan shilalka la isku halleyn karo ee wax soo saarka. Hawlgelinta tayada sare leh, tan waxaa loo tarjumaa shuruuc hawleed la cabbiri karo, xuduudaha lahaanshaha, iyo caadooyinka dib u eegista soo noqnoqda si kooxuhu ay u cabbiraan kalsoonida halkii ay ka saari lahaayeen madmadowga.
Dhaqangelinta Adduunka-dhabta ah
Anthropic's 'Golden Gate Claude' demo, halkaas oo kor loogu qaadayo hal sifo SAE ka dhigtay moodelku inuu si taxadar leh u tixraaco buundada jawaab kasta
Soo saarista iyo calaamadaynta ku dhawaad 34 milyan oo astaamood Claude 3 Sonnet si loo khariiradeeyo fikradaha sida sycophancy, kood khaladaadka, iyo dabeecad aan badbaado lahayn
Helitaanka sifooyin nabad-gelyo khuseeya sida khiyaamo, eex, ama waxyaabo khatar ah oo la kormeeri karo ama la jihayn karo inta lagu jiro hawl-galka
Ciribtirka sababta moodeelku u si khaldan u kala saarayo gelinta iyadoo la eegayo sifooyinka la tarjumi karo ee lagu hawlgeliyay isla markiiba
Hababka Dhaqangelinta
Qalabaynta Autoencoders ee aadka u tarjumaadda ee ficil ahaan
Anthropic's 'Golden Gate Claude' demo, halkaas oo kor loogu qaadayo hal sifo SAE ka dhigtay moodelku inuu si waali ah u tixraaco buundada jawaab kasta.
Anthropic's 'Golden Gate Claude' demo, halkaas oo kor loogu qaadayo hal sifo SAE ka dhigtay moodelku inuu si taxadar leh u tixraaco buundada jawaab kasta Kooxuhu waxay inta badan helaan natiijooyin ka wanaagsan marka ay qeexaan heerarka tayada ee hore, u hayaan dariiqa kor u kaca bini'aadamka ee kiisaska cirifka ah, iyo khaladaadka labadaba faa'iidooyinka wax soo saarka.
Qalabaynta Autoencoders ee aadka u tarjumaadda ee ficil ahaan
Soo saarista iyo ku calaamadaynta qiyaastii 34 milyan oo astaamood Claude 3 Sonnet si loo khariidado fikradaha sida sycophancy, kood khaladaadka, iyo dabeecadaha badbaadada leh.
Soo saarista iyo calaamadaynta qiyaas ahaan 34 milyan oo astaamood Claude 3 Sonnet si loo khariidado fikradaha sida sycophancy, khaladaadka koodhka, iyo habdhaqanka aan badbaadada lahayn Kooxuhu waxay inta badan helaan natiijooyin ka wanaagsan marka ay qeexaan heerarka tayada ee hore, u hayaan dariiqa kor u qaadida bini'aadamka ee kiisaska cirifka ah, oo la socdaan labadaba faa'iidooyinka wax soo saarka iyo kharashyada khaladka waqti ka dib.
Qalabaynta Autoencoders ee aadka u tarjumaadda ee ficil ahaan
Helitaanka sifooyin badbaado khuseeya sida khiyaamo, eex, ama waxyaabo khatar ah oo lala socon karo ama la jihayn karo inta lagu jiro hawlgelinta.
Helitaanka sifooyinka ku habboon badbaadada sida khiyaamada, eexda, ama waxyaabaha khatarta ah ee lala socon karo ama la jihayn karo inta lagu jiro hawlgelinta Kooxuhu waxay inta badan helaan natiijooyin ka wanaagsan marka ay qeexaan heerarka tayada ee hore, u hayaan dariiqa kor u qaadida bini'aadamka ee kiisaska cirifka ah, oo la socdaan labadaba faa'iidooyinka wax soo saarka iyo kharashyada qaladka waqti ka dib.
Qalabaynta Autoencoders ee aadka u tarjumaadda ee ficil ahaan
Ciribtirka sababta moodeelku u si khaldan u kala saarayo gelinta iyadoo la eegayo sifooyinka la tarjumi karo ee lagu hawlgeliyay isla markiiba.
Ciribtirka sababta moodeelku u si khaldan u kala saarayo wax-soo-gelinta iyadoo la eegayo sifooyinka la tarjumi karo ee lagu hawlgeliyay isla markiiba kooxuhu waxay badanaa helaan natiijooyin ka wanaagsan marka ay qeexaan heerarka tayada ee hore, waxay hayaan dariiqa kor u kaca bini'aadamka ee kiisaska cirifka ah, waxayna la socdaan labadaba faa'iidooyinka wax soo saarka iyo kharashyada khaladka waqti ka dib.
Khatarta & Dariiqyada Ilaalada
Hagaajinta hal bartilmaameed waxay qarin kartaa daciifnimada nidaamka ballaaran.
Kaabayaasha dhaqaalaha iyo dayactirka inta badan waa la dhayalsadaa.
Nabadgelyada iyo daldaloolada u fiirsashada ayaa kori kara marka nidaamyadu noqdaan kuwo aad u adag.
Qorshe Hawleedka Dhaqangelinta
Qeex daahida, tayada, iyo bartilmaameedyada qiimaha ka hor inta aan la hirgelin.
Qeex daahida, tayada, iyo bartilmaameedyada qiimaha ka hor inta aan la hirgelin. Tallaabo kasta ula dhaqan sida albaabka caddaynta: haddii shuruudaha la buuxin waayo, hakad soo bixidda, xidh farqiga, ka dibna balaadhi isticmaalka.
Benchmark marka la eego culeyska dhabta ah iyo xaaladaha xogta.
Benchmark marka la eego culeyska dhabta ah iyo xaaladaha xogta. Tallaabo kasta ula dhaqan sida albaabka caddaynta: haddii shuruudaha la buuxin waayo, hakad soo bixidda, xidh farqiga, ka dibna balaadhi isticmaalka.
La socodka qalabka khaladaadka, leexashada, iyo saamaynta isticmaalaha.
La socodka qalabka khaladaadka, leexashada, iyo saamaynta isticmaalaha. Tallaabo kasta ula dhaqan sida albaabka caddaynta: haddii shuruudaha la buuxin waayo, hakad soo bixidda, xidh farqiga, ka dibna balaadhi isticmaalka.
U diyaari dib-u-noqoshada iyo dariiqyada jawaab-celinta dhacdada ka hor inta aanad miisaan.
U diyaari dib-u-noqoshada iyo dariiqyada jawaab-celinta dhacdada ka hor inta aanad miisaan. Tallaabo kasta ula dhaqan sida albaabka caddaynta: haddii shuruudaha la buuxin waayo, hakad soo bixidda, xidh farqiga, ka dibna balaadhi isticmaalka.